'형태소분석'에 해당되는 글 3건

  1. 2008.03.21 한글 형태소 분석기 개선 계획 (6)
  2. 2008.02.11 Java로 구현한 형태소 분석기 beta (16)
  3. 2007.11.26 공개된 형태소 분석기가 필요하다! (6)
연구/형태소 분석2008. 3. 21. 15:22

처음으로 형태소 분석기를 만들어보고 개선한지 대략 2년 정도 된 것 같다. 단순 사전을 바탕으로 개발을 해오던 것이 이제는 나름 다양한 기술들을 적용시켰다. 여전히 즉흥적이고, 수작업을 요하는 작업들이 많이 있지만, 다양한 업그레이드 거친 것 같다.

  • 사전 기반 형태소 태깅
  • 동적 프로그래밍 적용
  • 비트 기반 오퍼레이션으로 성능 개선
  • 사전 정리 및 사전의확장성 개선

다른 방법들은 논문을 보고 구현해보면 되는 것들이었는데, 사전을 정비하는 것은 개인이 하기에 너무 힘든 일이고 쏟은 노력이 정말 눈물날 정도였던 것 같다. 일일이 수만 단어들을 보면서 눈 침침해지면서 단일 명사인지 복합명사인지 구분하고 태그 정보도 수정하고, 어휘가 단일 태그를 갖지 않도록 하고 참 많은 노력을 했다. 그러면서 국어에 대한 이해도 더 풍부해지고, 규칙, 불규칙 어휘들을 처리하면서 고생도 했고 말이다.

개인적으로 가지고 있던 생각이 어휘의 의미를 명확히 하려면 통계적 기법을 적용하는데에는 한계가 있다고 보고 있었다. 문장내에서의 단어나 형태소의 역할은 문장에 의해서 결정되는 것이고, 각 "단어" 수준에서 그러한 것들이 상호 고려되어야 한다고 생각한다. 이를 위해 당연히 풍부한 사전이 필요하였는데, 작년 말에 21세기 세종 계획에서 전자사전을 발표했는데, 정말 훌륭한 수준이다. 미등록어에 대한 처리를 좀더 고려하면 되겠지만, 사전만으로 본다면 정말 풍부한 의미와 어휘 용례를 잘 표현하고 있어 이를 통해 형태소 분석기를 개선한다면, 형태소 분석과 띄어쓰기와 구문 분석을 단번에 처리할 수 있지 않을까 생각한다.

NLP연구실도 아니고 DB연구실에서 연구실 연구 주제와 달리 혼자만 이걸 하고 있어서 정체성에 대한 고민을 하고 있었는데, 교수님께서도 우리 연구실의 Semantic Core Module의 하나로 가지고 있으면 좋을 것이라는 말씀을 해주셔서 나름 힘도 난다. 일단 해야할 일들이 많겠지만, 일단 사전을 형태소 분석할 수 있는 형태로 구성하고, 이를 가단히 시각화 하는 것으로부터 시작하려고 한다. 이를 위해 어휘간의 관계를 모델링하고, 저장구조를 확립하는 과정이 있어야 할 듯 하다. 기존에는 파일에 간단한 형태소 사전을 구성하였는데, 앞으로는 좀더 다른 구조로 가야할 듯 하다. 다양한 관계를 표현할 수 있는 사전과 형태소간의 상관관계를 표현할 수 있도록 모델링 할 것이다.

21세기 세종 계획의 결과물이 너무 잘 되 있어서 상당히 놀랐고, 이를 활용할 수 있다는 기대에 조금 들뜨기도 한다. 빨리 추진해서 좋은 결과물을 만들 수 있도록 해야겠다.

아마 다음과 같은 작업들이 추가적으로 이루어지지 않을까 생각한다.

  • 어휘 관계 모델링
  • 세종 계획 전자 사전 포팅
  • 사전 시각화
  • 형태소 분석기 적용 방안 수립
  • 형태소 분석기에 적용
  • 통계적 기법 적용으로 성능 개선 방안 마련
  • 통계 기법 적용을 위한 데이터 수집 및 학습
  • 통계 기법 적용

21세기 세종 계획 http://www.sejong.or.kr

Posted by 락끄

댓글을 달아 주세요

  1. 또 한번 더 걸음을 내 딛으셨군요, 축하드립니다. 짝짝짝!!!
    좋은 결과 있으시길 바랍니다~~~ 그리고 댓글 감사합니다.

    2008.03.23 00:48 [ ADDR : EDIT/ DEL : REPLY ]
  2. 나그네

    안녕하세요.
    형태소 분석기 정말 잘 만드셨군요. 게다가 이렇게 공개까지 하시다니, 한번도 얼굴을 뵌적은 없지만 감사하게 생각하고 있습니다.
    근데, 형태소 분석기가 로딩 속도기 너무 느리고 메모리를 차지하는 비용이 너무 큰것 같습니다. 사전에 있는 모든 단어에 대해서 MCandidate객체를 생성해서 해쉬 테이블로 관리하는 것 같은데. 이런 구조를 사용하는것은 시간과 메모리 측면에서 매우 비효율적인것 같습니다. 먼저 해쉬 테이블은 B-TREE 형태로 바꾸는 것이 좋을 것 같습니다.그리고 사전에서 사용하는 기분석결과를 MCandidate객체로 생성해 관리하는 방식보다는, 이미 처리된 기분석결과를 파일이나 메모리에 저장하고 그것을 처리하는 메소드를 추가하는 방식이 더 나을 것 같습니다.

    2008.03.27 21:52 [ ADDR : EDIT/ DEL : REPLY ]
  3. 나그네

    좀 더 효율적인 데이터 처리를 위하여 루씬의 색인 파일 구조와 그것을 처리하는 메소드를 분석해 보면 많은 도움이 되실 것입니다.

    2008.03.27 21:53 [ ADDR : EDIT/ DEL : REPLY ]
    • 좋은 말씀 감사합니다. 속도가 Hash가 가장 빠를 것이라 생각해서 Hash를 사용한것인데, B+Tree랑 비교해서 머가 더 빠를지는 모르겠네요.
      나름대로 로딩 속도 때문에 몇가지 분석을 해봤는데, MCandidate에 대해서 메모리 할당하는 부분이 로딩속도 대부분을 차지하는 것 같은데 이를 메모리에 할당하지 않고도 빠르게 처리할 수 있는 방법이 있다면 그도 좋은 대안이 되겠네요.

      루씬을 한번도 보지 않아서 어떤 방법들이 사용되었는지 모르겠는데, 한번 분석해보도록 하겠습니다.

      2008.03.29 22:28 신고 [ ADDR : EDIT/ DEL ]
  4. 혹시 진행된 상황을 요약해서 한글처리에 있어 어디까지 된것인지, ngram 하고 차이점을 알려주실수있는지요?

    2009.10.06 10:27 [ ADDR : EDIT/ DEL : REPLY ]
    • 안녕하세요.
      관심 가져 주셔서 감사합니다.
      공개 소프트웨어 공모전에 개선 버젼을 출품했고, 이를 홈페이지에 정리했습니다. http://kkma.snu.ac.kr로 가셔서 확인하실 수 있습니다.
      더 자세한 내용은 메일로 보내주세요.

      2009.10.30 15:51 신고 [ ADDR : EDIT/ DEL ]

연구/형태소 분석2008. 2. 11. 17:08

구현한 형태소 분석기를 공개하고자 맘 먹은지 한참이 됐지만, 여러가지 이유로 공개를 미뤄왔었다.

  1. 과연 이걸 사용할 사람이 있을것인가?
  2. 테스트가 미진한데, 결과는 제대로 나올 것인가?
  3. 성능이 나올 것인가?

위의 세 가지가 나에게 공개에 대해서 확답을 주지 못했다. 사실 1번은 별 문제되진 않았지만, 2,3 번 때문에 계속 고민하고 있었다. 사실 사전 정비와 같이 추가로 계획하고 있던 일들을 마치고 공개하고자 했지만, 계속해서 미루고 있어서 이를 해결하고, 고민도 마무리가 되고 공개하는건 불가능해보인다.

그래서 문제가 있고, 아직 고민하고 있지만, 일단은 소스를 간단히 정리해서 공개한다.
사전자료가 이곳 저곳에서 긁어모은 것이라 출처도 일정치 않고, 주요 정보들이 아니라 말뭉치만 있으니 그리 문제되진 않을 것 같다.

eclipse로 작업하고 있어서 프로젝트 폴더를 통째로 압축해서 첨부한다.

이전 버젼은 삭제합니다.

관련 글은 연구실 홈페이지에 업데이트 하고 있지만, 언제 끝날지는 장담 못하겠다. ^^;;
Implementing Typo and Spacing Tolerant Korean Morpheme Analyzer

간단히 테스트 해보기 위해서는 eclipse로 프로젝트를 불러 들여서 MorphemeAnalyzer 에 있는 main()함수를 실행하면 된다.

아래의 예는 띄어쓰기 없이 간단히 다음 문장을 넣어서 테스트한 결과이다.
"나는무엇을먹고사는사람이더냐"
띄어쓰기가 안되어 있기에 가능한 결과들을 쭈욱 만들어가다가 적합한 결과를 반환하는데, 최종 결과는 원하는 형태로 딱 나오진 않는다. 그치만 수정하기도 어렵고, 방법이 있다고 해도 많은 자료들을 이용해야 해서 아직은 적용하지 못하고 있다.

PS. 자세한 내용을 알고 싶은 분은 메일로 문의 주세요.
추가해서 블로그 업데이트 하겠습니다. (왠지 없을 듯... ^^)

Posted by 락끄

댓글을 달아 주세요

  1. 멋지네요 ~~ 검개그에서 보고 들어왔습니다.
    형태소분석기가 없어 답답해 하던 분들에게는 샘물같은 존재일 것 같습니다. 이제 정말 힘든 발을 디디신 듯 하네요 .. 힘내시고요 파이팅입니다.

    2008.02.12 09:33 [ ADDR : EDIT/ DEL : REPLY ]
    • 추가로 해보고 싶은 것들은 많은데, 쉽게 엄두가 나질 않네요. 그래도 누군가에게 도움이 된다면 좋을 것 같아요. 격려 말씀 감사합니다. ^^

      2008.02.12 12:30 신고 [ ADDR : EDIT/ DEL ]
  2. 공개 감사합니다. 건승하십시오.

    2008.02.14 10:03 [ ADDR : EDIT/ DEL : REPLY ]
    • 공개한만큼 앞으로 잘 관리가 될 수 있음 좋겠네요. 건승하세요~ ㅎㅎ

      2008.02.17 22:53 신고 [ ADDR : EDIT/ DEL ]
  3. 블로그 하고 계셨네요. 이렇게 타고타고 들어와서 아는 사람을 만난다는게... 묘하네요. 여전히 수고하고 계시는군요. ㅎㅎ

    2008.02.14 10:06 신고 [ ADDR : EDIT/ DEL : REPLY ]
  4. 송우상

    제게 참 소중한 자료가 될듯 합니다 항상 한글 형태소분석기에 목말라 있었는데....대단하시네요

    2008.02.15 13:05 [ ADDR : EDIT/ DEL : REPLY ]
  5. 아.. 정말 감사합니다 ^^

    2008.02.15 19:39 [ ADDR : EDIT/ DEL : REPLY ]
  6. 안녕하세요 아 정말 감사합니다.
    소스를 한번 실행 시켜 보고자 하였는데
    heap 메모리가 모지라네요 흐흐... 어느정도의 메모리를 올려야 하는지 알려주시면 감사하겠습니다.

    2008.02.21 16:59 [ ADDR : EDIT/ DEL : REPLY ]
    • 네. 죄송한 말씀이지만, 사실 전 최소 256 이상줍니다.^^;;; 사전이 올라가게되면 대략 200M로 화장됩니다. 개선해야할 부분인데, 아직 방법을 잘 모르겠네요.

      2008.02.22 01:34 신고 [ ADDR : EDIT/ DEL ]
  7. 멋진데요? 제가 파이썬을 좋아하는데, 파이썬으로 포팅되면 재밌을 듯.

    2008.02.21 22:37 [ ADDR : EDIT/ DEL : REPLY ]
    • 멋지다니 감사합니다. Dynamic Programming이 적용되어서 잘 옮겨갈지 잘 모르겠지만, 머 여러 언어로 포팅되는건 좋은 일이죠~ ㅎㅎ

      2008.02.22 01:35 신고 [ ADDR : EDIT/ DEL ]
  8. 마루아라

    인터넷 뒤지다가 여기까지 왔네요..
    형태소 분석기 함 써 볼려고 했는데요 이클립스 옵션을
    -XX:MaxPermSize=512m -Xmx256m -Xms128m 줘도 heap 가 모자라다고 나옵니다 램이 1024m가 좀 안되는데
    -XX:MaxPermSize=512m -Xmx512m -Xms128m 이렇게 옵션을 주면 이클립스가 에러나나네요
    -XX:MaxPermSize=364m -Xmx364m -Xms128m
    이렇게 줘도 heap 가 모자라다고 나와요 ㅠㅠ
    MorphemeFixed.dic
    MorphemeVerb.dic
    두 파일이 30초 넘게 걸려서 내용을 줄이면 실행은 되긴 하네요..
    테스트 함 해보고 싶은데 어케 해결 방안이 없나요??

    2008.05.15 17:18 [ ADDR : EDIT/ DEL : REPLY ]
    • 음... 아마도 메모리에 올리는거라서, 컴퓨터 사양을 좀 타는 것 같습니다. 지금은 좀더 빨라지긴 했는데.. 올리려면 eclipse 자체가 아니라, 프로그램 실행할 때의 옵션을 수정해주어야 합니다. run하는 부분에서 Open Run Dialog가 나오는데 거기서 다양한 옵션을 줄 수 있습니다. 거기에 직접 최대 메모리 크기를 지정해주십시오. 보통 사전이 차지하는 메모리가 200M가 좀 넘습니다.

      2008.05.27 16:02 신고 [ ADDR : EDIT/ DEL ]

연구/형태소 분석2007. 11. 26. 18:02

상당히 오래 전부터 형태소 분석기를 구현하고 있었다. 초기에는 단지 문서에 대한 색인어를 추출하기 위해서 색인어 추출기를 만들었었는데, 그러다 보니 형태소 분석기가 필요하다는 생각이 들어 많은 시행착오 끝에 이를 구현했다. 사실 프로토 타입으로 구문 분석에도 적용하여 Opinion Mining에도 사용해 봤다. 아직은 국내에서 적용되는 Opinion Mining이나 구문 분석보다는 형태소 분석기가 더 어렵고 필요한 기술이라 생각이 든다. 물론 많은 자연어 처리 연구실에서 훌륭한 프로그램을 만들었지만, "공개"되어 사용할 수 있는 것은 없다. 물론 소스 수준에서 공개되어 필요에 따라 소스도 수정할 수 있는 것을 말한다.

실재로 Opinion Mining이나 구문 분석을 해보니 논문에 있는 내용을 적용하는 것이 그리 어렵지 않았다. 통계적 방법을 활용하는 것도 그렇고, 기본 개념만 잘 파악하면 좀 노력이 필요하겠지만, 그리 어려움을 겪지는 않는 일이었던 것 같다. 그러나 그런 것들을 하기 위한 기초를 마련하는 것은 정말 어려웠다. 그 기초데이터라는 것이 결국 구문 분석을 위해서는 각 단어를 분석하고 품사가 무엇인지 확인하고, 단어를 파악하는 것이며, Opinion Mining같은 경우 통계적 방법을 적용한다면 단어의 원형을 복원하고 적절히 인덱싱을 해 놓는 것이다.

관련된 많은 논문에는 단지 '전처리 한다(Preprocessing)', '특질 추출한다'라고 간단히 나와 있지만, 막상 구현해 본 사람들은 이것들이 얼마나 어려운지 알 것이다. RDB를 기반으로 한다고 해도 인덱스 잘 걸어놔야 되고 정말로 어려운 일이다. IR을 위한 몇몇 알고리즘들을 봤지만, 결국 개념도 개념이지만, 그 모델이 잘 적용되도록 좋은 feature들을 잘 뽑아낼 수 있어야 한다고 생각한다.

많은 사람들이 검색 엔진을 구현하기 위해서 형태소 분석기가 필요하다고 하지만, 이를 구해서 사용하지는 못하고 있다. 단지 n-gram방식으로 인덱스를 만들어 둔다거나, 아주 간단한 몇가지 형태소 분석 방법을 적용하여 일부 문제에만 대응하는 식이다. 검색 뿐만 아니라, 형태소 분석이 된다면 한글을 분석해서 할 수 있는 유익한 일은 정말로 많은 것 같다. Auto Tagging이나 Opinion Mining등에도 적용될 수 있을 것이다.

다양한 분야에 좋은 아이디어를 가지고 있음에도, 기본적인 자료 처리가 제대로 되지 않아 쓴맛을 보는 사람들이 많기에 누군가는 자신이 가진 노하우를 공개하고, 서로 교류를 하여 공개된 상태로 형태소 분석기가 발전할 수 있어야 한다고 생각한다.

다음 글에서는 형태소 분석기 구현과 관련된 계획을 세우고 이를 공유해보자

Posted by 락끄

댓글을 달아 주세요

  1. 으하하 오타 발견!
    4번째 줄 Opinion Minining -> Opinion Mining 호호
    그나저나 카테고리가 연구라니, 형답습니다. 난 아직 연구 관련 글 거의 없는데 ;;;

    2007.11.26 23:48 신고 [ ADDR : EDIT/ DEL : REPLY ]
    • 수정 완료...

      난 블로그에 여러 가지 얘기들이 올라오는 것도 좋지만, 나름 주제가 있어야 할 듯 해서...
      내가 공개하고 싶은 연구 관련 일들?에 대해서도 좀 올리려고...ㅎㅎ

      2007.11.27 12:28 신고 [ ADDR : EDIT/ DEL ]
  2. '' 폴형 하이.

    쥔장님의 글이 왠지 도움이 많이 될것 같습니다. 유용한 자료들 보고 갑니다.

    2008.04.16 22:54 [ ADDR : EDIT/ DEL : REPLY ]
  3. 삐따기

    루썬에서 사용이 가능한가요?

    2008.05.20 16:31 [ ADDR : EDIT/ DEL : REPLY ]
    • 죄송하게도 아직 적용해보지 않아서 잘 모르겠습니다. 자바로 된것이니깐 충분히 사용할 수 있을 것 같습니다. 제가 루씬을 잘 몰라서 아직 해보지 않았는데, 나중에 기회가 되면 해보고 말씀드리겠습니다.

      2008.05.27 16:03 신고 [ ADDR : EDIT/ DEL ]
  4. 좋은 생각과 좋은자료 잘 보고갑니다. 님같은 분들에 의해 이나라의 IT개발인프라가 강해질텐데말이죠..... 기쁨반 슬픔반 쳐절히 느끼며~

    2008.10.08 20:19 [ ADDR : EDIT/ DEL : REPLY ]